空中目标威胁等级评估方法研究

本文提出了一种空中目标威胁等级评估方法,该方法运用了动态贝叶斯网络进行推理、结合专家知识以及对选取高斯分布函数对威胁要素进行量化,构建了基于动态贝叶斯网络的目标威胁等级评估模型。仿真结果表明:该模型可以有效的确定目标当前的威胁等级,该方法符合人类的推理过程。     

基于云贝叶斯的协同搜潜目标态势评估方法

为了处理海战场具有大量不确定信息的目标态势评估问题，提出了基于云贝叶斯网络方法的反潜巡逻机协同搜潜目标态势评估方法，该方法建立了基于云贝叶斯的搜潜目标态势评估模型，构建贝叶斯网络结构的有向无环图，确定了评估指标，然后采用云模型进行离散化处理，并设计实现态势评估过程，最后推断出目标类型和对方作战意图，形成战场态势。仿真结果表明，所提出的方法合理、有效。     

信息安全风险概率计算的贝叶斯网络模型

构建了一个基于贝叶斯网络的信息安全风险概率计算模型,并保证其可扩展性、精确性和客观性.模型的网络结构以规划渗透图表现,模型网络参数由专家知识确定并利用贝叶斯学习对其进行更新.实例分析表明构建的模型可以正确量化评估信息安全风险概率.     

一种基于离散属性BNT的双偏振气象雷达降水粒子分类方法

针对传统降水粒子分类算法存在的过度依赖专家经验和模型预设误差问题,本文提出了一种基于离散属性贝叶斯网络(Bayesian NeTwork,BNT)的双偏振气象雷达降水粒子分类(Hydrometeor Classification,HC)方法.首先对双偏振气象雷达获取的偏振参量取值进行离散化处理生成离散化标准,并根据离散化标准制作训练数据集合;然后使用训练数据集合对贝叶斯网络进行结构学习学得贝叶斯网络结构,以及参数学习学得与贝叶斯网络结构匹配的条件概率表;最后加入附加信息计算出每种降水粒子类先验概率,与贝叶斯网络结构和条件概率表共同组成贝叶斯网络分类器.训练好的贝叶斯网络分类器根据最大后验概率准则完成对测试数据的降水粒子分类,与模糊逻辑算法对比评价结果.实验证明:该方法能有效区分不同的降水粒子得到准确的降水粒子分类结果.     

动态贝叶斯网络用于雷达遮盖干扰效果评估

依据电子战实际作战环境,以可代表性和可观测性为标准,选取压制干扰效果评估指标;提出基于动态贝叶斯网络的效果评估模型,对若干可观测的目标特征参数进行综合推理;推导了动态贝叶斯网络的推理算法。分析结果表明,动态贝叶斯网络能够综合目标雷达不同的毁伤效果信息进行较为合理的评估;与静态贝叶斯网络相比,动态贝叶斯网络无论在准确性上,还是在滤波平滑能力上都要优于静态贝叶斯网络。     

山地条件下的无人机气象威胁度建模与评估方法

针对无人机在山地条件下飞行时气象威胁因素复杂多变,提出一种基于贝叶斯网络的山地气象威胁度建模与评估方法。结合专家知识与EM算法构建贝叶斯网络模型,利用多树传播推理算法对山地气象要素进行威胁等级评估。评估结果表明,基于贝叶斯网络的气象威胁度评估能够正确直观地划分山地气象要素对无人机的威胁等级,对无人机智能决策具有重要意义。     

多贝叶斯网络分类器集成模型研究

提出了一种多贝叶斯网络集成的分类和预测方法.把专家知识作为"疫苗",利用免疫遗传算法和约束信息熵适应度函数相结合的方法进行贝叶斯网络结构的学习,得到多个反映同一样本数据集的、网络结构复杂度折衷的、满意的贝叶斯网络结构.然后,给出了多贝叶斯网络分类器集成模型,把学习得到的贝叶斯网络进行集成,代表"专家"对未知类别的不完全数据进行群决策的分类和预测,提升贝叶斯网络分类器的泛化能力.最后,结合贝叶斯推理工具GeNIe软件,通过实例说明该方法的合理性和有效性.     

基于动态贝叶斯网络的低慢小目标威胁评估北大核心CSCD

针对复杂地形下低慢小目标难以防御的难题,本文分析并研究对于与低慢小目标威胁评估具有影响作用的因素,提出一种基于动态贝叶斯网络的威胁评估方法。基于低慢小目标的威胁属性,构建动态贝叶斯网络拓扑,利用贝叶斯理论推理出威胁值;并通过仿真试验验证该种基于动态贝叶斯网络的方法在对低慢小目标进行威胁评估是可行的。     

小数据集BN建模方法及其在威胁评估中的应用

贝叶斯网络是数据挖掘领域的主要工具之一。在某些特定场合,如重大装备的故障诊断、地质灾害预测及作战决策等,希望用少量数据得到较好的结果。因此,本文针对小数据集条件下的贝叶斯网络学习问题展开研究。首先,建立基于连接概率分布的结构约束模型,提出I-BD-BPSO（Improved-Bayesian Dirichlet-Binary Particle Swarm Optimi-zation）结构学习算法;其次,建立单调性参数约束模型,提出MCE（Monotonicity Constraint Estimation）参数学习算法;最后,应用所提算法构建威胁评估模型并应用变量消元法进行推理计算。实验结果表明,在小数据集条件下,本文的结构学习算法优于经典的二值粒子群优化算法,参数学习算法优于最大似然估计、保序回归及凸优化算法,并能够构建有效的威胁评估模型。     

基于拓扑排序的贝叶斯网络结构学习方法

贝叶斯网络是一种运用于知识推理的信息模型,为解决网络结构学习过程中K2算法易受节点顺序影响问题,提出了一种基于拓扑排序的贝叶斯结构学习方法.算法首先采用最大权重生成树算法确定节点间连接关系建立生成树;其次通过带环监测的深度优先搜索算法为节点进行拓扑排序;最后将深度优先搜索的排序提供给K2算法选取评分最高的网络结构作为结构学习结果.算法与采用广度优先搜索算法进行节点排序的结构学习结果比较表明,在大中型网络上的正确率和学习效率有良好效果.     

基于改进鲸鱼优化策略的贝叶斯网络结构学习算法

针对当前贝叶斯网络结构学习算法易陷入局部最优和寻优效率低的问题,该文提出一种基于改进鲸鱼优化策略的贝叶斯网络结构学习算法。该算法首先提出一种新的方法建立较优的初始种群,然后利用不产生非法结构的交叉变异算子构建适用于贝叶斯网络结构学习的改进捕食行为,同时采用动态调节参数增强算法个体寻优的能力,通过适应度排序更新种群,最终获得最优的贝叶斯网络结构。仿真结果表明,该算法具有全局收敛性,寻优效率高,精确率高于其它同类优化算法。     

基于改进DS证据理论和BN的信息安全风险评估

针对信息安全风险评估过程中专家评价意见的多样性以及不确定信息难以量化处理的问题,提出了一种基于改进的DS证据理论与贝叶斯网络(BN)结合的风险评估方法.首先,在充分研究信息安全风险评估流程和要素的基础上,建立了风险评估模型,确定风险影响因素;其次,根据评估模型并结合专家知识构建相应的贝叶斯网络模型,确定贝叶斯网络模型中的条件概率表;再次,利用基于权值分配和矩阵分析的改进DS证据理论融合多位专家对风险影响因素的评价意见;最后,根据贝叶斯网络模型的推理算法,计算被测信息系统处于不同风险等级的概率值,并对结果进行有效性分析.分析表明,将改进后的DS证据理论与贝叶斯网络应用到风险评估过程中,在一定程度上能够提高评估结果的可信度和直观性.     

具有聚类结构相似性的非参数贝叶斯字典学习算法

利用图像结构信息是字典学习的难点,针对传统非参数贝叶斯算法对图像结构信息利用不充分,以及算法运行效率低下的问题,该文提出一种结构相似性聚类beta过程因子分析(SSC-BPFA)字典学习算法。该算法通过Markov随机场和分层Dirichlet过程实现对图像局部结构相似性和全局聚类差异性的兼顾,利用变分贝叶斯推断完成对概率模型的高效学习,在确保算法收敛性的同时具有聚类的自适应性。实验表明,相比目前非参数贝叶斯字典学习方面的主流算法,该文算法在图像去噪和插值修复应用中具有更高的表示精度、结构相似性测度和运行效率。     

一种通过结构边界进行贝叶斯网络学习的算法

贝叶斯网络是智能算法领域重要的理论工具,其结构学习问题被认为是NP-hard问题。该文通过混合学习算法的方式,从分析低阶条件独立性测试提供的信息入手,给出了构造目标网络结构空间边界的方法,并给出了完整的证明。在此基础上执行打分搜索算法获得最终的网络结构。仿真结果表明该算法与同类算法相比具有更高的精度和更好的执行效率。     

结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复

利用多源多时相遥感图像,给出一种结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复算法.首先利用多方向非抽样对偶树复小波变换对多源多时相遥感图像进行多分辨率分解,对分解后的薄云图像的高频系数利用贝叶斯方法进行地物初分类;再对每类地物的低频系数通过迁移最小方差支持向量回归模型进行域自适应学习,获取模型参数;最后利用所获的迁移回归模型,用无云参考图像的低频系数预测薄云覆盖图像的低频系数,去除薄云,恢复薄云覆盖图像的地物信息.实验结果表明,本文算法恢复的地物细节清楚,光谱失真较小.特别对地物季节性变化的薄云覆盖遥感图像,本文算法能有效恢复薄云覆盖区域的地物信息.     

动态贝叶斯网络在通信对抗目标选择中的应用

针对复杂战场环境下通信对抗干扰目标选择问题,设计了目标选择三级功能模型,重点从目标价值性、目标威胁性和干扰可行性3个方面分析了影响目标干扰优先等级判断的因素,利用离散动态贝叶斯网络构建了目标干扰优先级评估模型,并给出了评估模型的直接推理算法和目标选择的算法流程,最后,结合设计的案例对提出的目标选择方法进行了仿真验证。结果表明,在战场信息不完整的情况下,该模型可以综合考虑前后时刻的历史结果和实时信息,对干扰优先级进行有效的分析预测,较好地实现了通信对抗干扰目标的有效选择。     

基于遗传算法的动态Bayesian网结构学习的研究

动态Bayesian网是复杂随机过程的图形表示形式,从数据中学习建造动态Bayesian网是目前的研究热点问题.本文针对该问题提出了一种遗传算法.文中设计了结合数学期望的适应度函数,该函数利用进化过程中的最好动态Bayesian网把不完备数据转换成完备数据,使动态Bayesian网的学习分解为两个Bayesian网(初始网和转换网)的学习,简化了学习的复杂度.此外,文中给出了网络结构的编码方案,设计了相应的遗传算子.模拟实验结果表明,该算法能有效地从不完备数据序列中学习动态Bayesian网,并且实验结果说明了隐藏变量的作用和遗传控制参数对结果模型的影响.     

基于面向对象概率关系模型的威胁级别评估

针对传统贝叶斯网络对复杂对象建模存在的问题,分析了面向对象的概率关系模型。建立基于面向对象概率关系模型知识库的贝叶斯网络生成算法,建立战场威胁级别评估模型,并实现对威胁级别的评估。仿真结果证明了该方法的有效性,并且具有比贝叶斯网络模型更强的建模能力。